Fisica: Fisica di base, Interazione radiazione-materia, raggi X, fondamenti di Meccanica Quantistica (per la comprensione del fenomeno di risonanza magnetica nucleare e dell'imaging in risonanza magnetica, MRI).

Informatica: nessuno, salvo la manualità nell’uso del computer.

Il Corso tratta di alcune delle principali tecniche fisiche di diagnostica medica per immagini (CT, MRI, Ecografia, cenni su PET) e di imaging per la biologia (microscopia ottica). Esso descrive poi il linguaggio e ambiente di programmazione Matlab, utile per applicazioni scientifiche: ne insegna gli elementi di base e si sofferma sulle applicazioni nel trattamento di immagini, dapprima in generale e poi nel campo delle immagini diagnostiche. Sono introdotti i sistemi di Intelligenza Artificiale (IA) e Computer-Assisted Detection/Diagnosis (CAD) per l'individuazione e la segmentazione automatiche di lesioni (tumorali e non) in immagini diagnostiche, e per la diagnosi e la prognosi automatiche in immagini e dati medici, nonché i concetti alla base della "Radiomica". Sono estesamente trattati, con semplici basi matematiche e un approccio essenzialmente pragmatico, i sistemi di IA basati su Machine Learning (ML) per la classificazione e - in particolare - le reti neurali artificiali. Sono introdotti brevemente i sistemi di Deep Learning (DL). Tutte le lezioni del Corso sono accompagnate da esercitazioni pratiche al computer sui vari argomenti trattati, in Matlab e, per la parte di ML, in python.

Risultati di apprendimento previsti:

Conoscenze: Fisica della CT (Computed Tomography), MRI (Magnetic Resonance Imaging), ecografia, PET. Matlab: nozioni di base, nozioni avanzate, trattamento di immagini di diagnostica radiologica; sistemi CAD, classificatori a reti neurali. Python: sistemi di classificazione con reti neurali e xgboost.

Abilità: Uso di Matlab per la realizzazione di software per la ricerca scientifica, con particolare riguardo ai sistemi di Machine Learning e CAD per la medicina e la biologia. Basi di python con applicazioni per il ML.

Tranne alcune lezioni introduttive o puramente teoriche (in particolare quelle sulla fisica e l'ingegneria delle apparecchiature di imaging), l’intero Corso è accompagnato e costituito da esercitazioni pratiche al computer.

Esame teorico (per iscritto o orale) sulle tecniche fisiche di Imaging per la diagnostica, sulle basi della programmazione in Matlab e python, sulle tecniche di Machine Learning; prova pratica (realizzazione di semplici software legati agli argomenti del Corso).

Da definirsi in base alle esigenze degli studenti.

Programma di massima, eventualmente da rifinire in base agli interessi e alle necessità degli studenti, e al tempo disponibile.

Introduzione al corso, argomenti e finalità.

Tecniche di imaging diagnostico. Ecografia: basi fisiche e implementazione ingegneristica; artefatti. Fenomeno della risonanza magnetica degli spin, tempi di rilassamento T1 e T2, sequenze, codifica spaziale. Raggi X e radiografia. TC. Generazioni di dispositivi per TC. Numeri di Hounsfield. Proiezioni: MPR, MIP...

Matlab. Introduzione a Matlab. Vettori e matrici, operazioni aritmetico-logiche, standard input-output. Strutture di controllo. Plot-subplot. M-files. Istruzioni: find, tic/toc, pause, numeri casuali, etc. Applicazioni: uso del coefficiente di correlazione, Adattamento di una distribuzione gaussiana a dati sperimentali; artificial life (simulazione di automi cellulari), simulazione dell’assorbimento di fotoni da parte di un materiale di dato spessore e caratteristiche fisiche (modello semplificato). Fit lineari e polinomiali (polyfit/polival). Fit con esponenziali. Grafici lineari e logaritmici. 

Python: Installazione dell'ambiente di programmazione; esempi; applicazioni per il Machine Learning.

Immagini analogiche e digitali. Immagini di diagnostica medica. Acquisizione/elaborazione di immagini diagnostiche. Discretizzazione spaziale: dimensioni ("risoluzione") di un'immagine digitale, pixel (voxel) (numeri binari). Il "colore" (b/w, grigi, etc). Memorizzazione di un'immagine, profondità di colore, bit per pixel. Immagini 2D e 3D. Numeri di Hounsfield. Finestra dei grigi. DICOM. Operazioni sulle immagini. Istogramma di intensità. Stretching dell'istogramma con le istruzioni di Matlab (imadjust). Operazioni di thresholding: teoria e applicazioni. Operazioni morfologiche su immagini. Formato DICOM e uso di un visualizzatore di immagini (per la visualizzazione e lo studio di un’immagine CT polmonare); centro e larghezza della finestra dei grigi. Proiezioni assiali/coronali/sagittali.

Segmentazione di immagini di interesse medico e biologico; applicazioni. Individuazione di “oggetti” nelle immagini.

Machine Learning e Reti neurali artificiali. Introduzione. Finalità. Spazio delle feature. Backpropagation. Reti con e senza strati nascosti. Soluzione di problemi linearmente separabili e non.

Sistemi CAD. Caratteristiche di un test diagnostico: Concetto di (vero o falso) positivo, (vero o falso) negativo. Sensibilità e specificità. Spazio ROC. Area sotto la curva ROC; istruzione roc e plotroc; istruzione trapz; aggiunta di rumore ai dati e verifica della dipendenza dell’area sotto la curva (AUC) dalla percentuale di rumore.

Testi di riferimento:

Dispense fornite dal docente. Solo per approfondimenti:

• R. C. Gonzalez, R. E. Woods, “Elaborazione delle Immagini Digitali”, III ed., Pearson, Prentice Hall Italia, (Ottobre 2008), ISBN: 9788871925066
• P. E. Hart, D. G. Stork, R. O. Duda, “Pattern Classification”, II ed., Wiley-Interscience (Ottobre 2000), ISBN: 978-0471056690
• A. Castellano, G. De Nunzio, M. Donativi, "Fisica e tecnica delle apparecchiature biomediche". Deltaedit, Arnesano (LE) (2009), ISBN: 8890267933